NASA и IBM открыли лунную ИИ-модель — ошибка поиска льда снизилась на 22%
NASA и IBM 10 сентября 2026 года выпустили с открытым исходным кодом NASA-IBM Lunar Foundation Model — базовую ИИ-модель для анализа разнородных наблюдений Луны. Официальная публикация NASA подтверждает, что предобученная модель размещена на Hugging Face, а полный код доступен на GitHub для тестирования и экспериментов.
Главный результат релиза относится не к прямому обнаружению воды, а к воспроизведению карты областей с повышенной перспективностью льда. В этой контрольной задаче среднеквадратичная ошибка оказалась до 22% ниже результата SwinV2-B; опубликованный 10 сентября разбор Live Science также подчёркивает, что система распознаёт закономерности в дистанционных наблюдениях и не заменяет физических измерений.
Три задачи дали разные результаты
Модель создавалась как общая предобученная основа, которую можно дополнительно настраивать на сравнительно небольших размеченных наборах. Разработчики проверили её на оценке перспективности полярного льда, распознавании кратеров и сегментации нерегулярных морских пятен — редких вулканических структур.
Результаты контрольных задач IBM позволяют сопоставить модель со SwinV2-B, предварительно обученной на ImageNet:
- Потенциальный лёд. NASA-IBM Lunar Foundation Model уменьшила среднеквадратичную ошибку до 22% относительно SwinV2-B. Проверялось соответствие эталонной карте перспективности льда, а не наличие воды в образце грунта.
- Кратеры. На данных с метровым разрешением модель показала сопоставимый результат. При контекстном разрешении около 100 метров на пиксель она превзошла SwinV2-B почти на 19%, хотя для дополнительной настройки использовалась половина обучающих данных.
- Вулканические структуры. При несовершенной разметке модель на 3% лучше передавала протяжённость нерегулярных морских пятен. Речь идёт о результате сегментации, а не об окончательной переписи или датировке этих образований.
Эти проценты нельзя складывать или представлять как единый прирост точности: задачи, метрики, разрешение и объём обучающих данных различались. Даже два результата по кратерам описывают разные масштабы наблюдений — метровые изображения и региональный контекст.
Почему 22% не доказывают обнаружение воды
В данном тесте «поиск льда» означает оценку перспективности участка. Модель сопоставляет температурные и топографические признаки, включая уклон, ориентацию поверхности, максимальную температуру и расчётную глубину устойчивости льда, а затем воспроизводит значения контрольной карты.
Среднеквадратичная ошибка измеряет расхождение между прогнозом алгоритма и эталонными значениями. Снижение до 22% показывает, что выход NASA-IBM Lunar Foundation Model был ближе к такой карте, чем результат выбранной базовой модели при условиях теста. Формулировка «до» существенна: опубликованное сравнение обозначает максимальное улучшение, а не одинаковое снижение ошибки на каждом участке и при любой конфигурации входных данных.
Этот результат не превращает косвенные признаки в спектральное подтверждение воды и ничего не сообщает сам по себе о доступном объёме льда. Для вывода о наличии, форме, глубине и концентрации воды потребуются дополнительные дистанционные наблюдения, измерения на поверхности либо анализ образцов.
Практическая роль модели уже уже: она способна ранжировать области для дальнейшего изучения и помогать исследователям выбирать, какие участки требуют более подробной съёмки. Поэтому опубликованный показатель описывает качество вычислительного отбора целей, а не новое открытие залежей.
Как модель сводит наблюдения разного масштаба
Лунные аппараты получают оптические изображения, карты рельефа и уклона, температурные измерения, сведения о минералогии и гравитационных аномалиях в разных разрешениях. SomBench совмещает наблюдения одного участка, даже если они поступили от разных приборов, были сделаны под разными углами или имеют неодинаковый масштаб.
Для предобучения использовали примерно два миллиона фрагментов: более миллиона изображений с разрешением около одного метра и почти 964 тысяч мультиспектральных фрагментов с разрешением около 100 метров. Основной массив поступил с Lunar Reconnaissance Orbiter; в набор также вошли данные миссий GRAIL, Lunar Prospector и японской SELENE/Kaguya.
При обучении часть информации во фрагменте скрывалась, после чего модель восстанавливала её по оставшимся слоям. Так она училась связывать освещение, форму рельефа и геофизические характеристики. Отдельные сведения об углах Солнца и положении аппарата помогают отличать реальные элементы поверхности от изменений, вызванных резкими тенями и бликами.
Такое объединение особенно важно у лунных полюсов. Низкое положение Солнца создаёт длинные тени, а постоянно затенённые области плохо различимы на обычных снимках, хотя низкая температура делает их потенциально подходящими для сохранения льда.
Какие материалы открыты исследователям
В открытый комплект входят веса и конфигурация базовой NASA-IBM Lunar Foundation Model, подготовленные данные предобучения, контрольные наборы и код. Кроме основной модели опубликованы варианты, дополнительно настроенные для оценки перспективности льда, обнаружения кратеров и выделения нерегулярных морских пятен.
Единый набор объединяет более 30 пространственно согласованных слоёв от девяти приборов четырёх миссий. Модель интегрирована с открытым инструментарием TerraTorch, поэтому исследователи могут воспроизводить дополнительное обучение, сравнивать конфигурации и адаптировать основу к другим задачам без полного предобучения с нуля.
Открытый статус облегчает независимую проверку, но не устраняет ограничения исходной разметки, разрешения и состава наблюдений. На момент релиза подтверждены доступность модели и материалов, а также результаты контрольных задач; об обнаружении с её помощью новых запасов воды NASA и IBM не объявляли.
Читайте также:
Подпишитесь на рассылку
Получайте свежие новости Web3, AI и криптовалют прямо на вашу почту.